熊勵(lì) 陸夢(mèng)園 王錕

摘要：[目的/意義]網(wǎng)絡(luò)輿情信息在突發(fā)事件應(yīng)對(duì)中有著不容忽視的傳播影響力。完善輿論引導(dǎo)是中國特色新型智庫的重要功能之一。做好網(wǎng)絡(luò)輿情識(shí)別是應(yīng)急管理智庫提高綜合研判能力的關(guān)鍵。[方法/過程]本文從應(yīng)急管理智庫建設(shè)角度出發(fā)，聚焦突發(fā)事件網(wǎng)絡(luò)輿情信息中潛在的關(guān)鍵熱點(diǎn)與情感結(jié)構(gòu)識(shí)別問題，通過機(jī)器學(xué)習(xí)方法構(gòu)建LDA-LDNB網(wǎng)絡(luò)輿情信息挖掘模型，并基于突發(fā)事件網(wǎng)絡(luò)輿情文本信息進(jìn)行模型驗(yàn)證和實(shí)證分析。[結(jié)果/結(jié)論]本文構(gòu)建的模型能很好地識(shí)別突發(fā)事件中網(wǎng)絡(luò)輿情信息的主題、情感與演化特征，為應(yīng)急管理智庫提高應(yīng)急管理決策服務(wù)能力提供方法支持，為構(gòu)建數(shù)據(jù)驅(qū)動(dòng)的應(yīng)急管理智庫提供新的思路。

關(guān)鍵詞：應(yīng)急管理智庫? ? 突發(fā)事件? ? 網(wǎng)絡(luò)輿情? ? 文本分析

分類號(hào)：G206

DOI： 10.19318/j.cnki.issn.2096-1634.2024.02.01

1? 引言

自《關(guān)于加強(qiáng)中國特色新型智庫建設(shè)的意見》印發(fā)以來，中國特色新型智庫建設(shè)得到高度重視，中國特色新型智庫體系不斷完善，在咨政建言、理論創(chuàng)新、輿論引導(dǎo)、社會(huì)服務(wù)等領(lǐng)域發(fā)揮著重要作用[1]。在過往的研究中，于志榮[2]將應(yīng)急管理智庫定義為“政府應(yīng)急管理中的主體角色之一”，認(rèn)為其在應(yīng)急管理的應(yīng)急預(yù)防、應(yīng)急準(zhǔn)備、應(yīng)急處置以及應(yīng)急恢復(fù)等4個(gè)階段發(fā)揮重要作用。熊勵(lì)等[3]將應(yīng)急管理智庫定義為“具備一定的應(yīng)急響應(yīng)機(jī)制、高度協(xié)調(diào)能力與控制能力，提供及時(shí)、準(zhǔn)確、權(quán)威的決策支持和輿論引導(dǎo)的智庫”。結(jié)合過往的研究基礎(chǔ)，本文將應(yīng)急管理智庫定義為：聚焦政府應(yīng)急管理能力與應(yīng)急管理體系，針對(duì)突發(fā)事件復(fù)雜性、危害性和非程序性決策等基本特征而具備一定的應(yīng)急響應(yīng)、應(yīng)急協(xié)調(diào)與應(yīng)急情報(bào)服務(wù)能力，為政府部門的應(yīng)急管理實(shí)踐提供多層次、全方位的決策支持的智庫。面向突發(fā)事件，應(yīng)急管理智庫致力于創(chuàng)新應(yīng)急理念，完善應(yīng)急規(guī)劃，為應(yīng)急決策提供咨詢論證。

智庫是推進(jìn)國家治理體系和治理能力現(xiàn)代化建設(shè)的重要力量。黨和政府不斷健全輿論引導(dǎo)機(jī)制，鼓勵(lì)智庫面向國家現(xiàn)代化治理需求、運(yùn)用大眾媒體等多種手段，在輿情研判、輿情應(yīng)對(duì)到輿情治理的全流程中充分發(fā)揮決策服務(wù)作用，切實(shí)提升決策支撐能力。綜觀全球輿情研究趨勢(shì)，圍繞突發(fā)事件的公眾輿論引起了極高的關(guān)注度和討論度[4-5]，網(wǎng)絡(luò)平臺(tái)逐漸成為人們發(fā)布突發(fā)事件相關(guān)信息、了解突發(fā)事件進(jìn)展動(dòng)態(tài)，以及發(fā)表個(gè)人輿論見解的重要陣地。這些輿論通過網(wǎng)絡(luò)平臺(tái)不斷傳播，并帶來潛在社會(huì)威脅[6]。其中，輿情治理面臨風(fēng)險(xiǎn)關(guān)聯(lián)性、建模復(fù)雜性、學(xué)科交叉性、社會(huì)影響性與情景不確定性等“五大挑戰(zhàn)”，在理論層面是數(shù)據(jù)驅(qū)動(dòng)下的典型智庫研究[7]，在實(shí)踐層面也已經(jīng)成為政府應(yīng)急管理的重要工作。

鑒于此，為應(yīng)對(duì)新形勢(shì)下對(duì)標(biāo)國家治理體系和治理能力的基本要求，發(fā)展以數(shù)據(jù)平臺(tái)和數(shù)據(jù)服務(wù)支撐決策的智庫服務(wù)形式，本文面向應(yīng)急管理智庫建設(shè)，基于機(jī)器學(xué)習(xí)方法，構(gòu)建網(wǎng)絡(luò)輿情信息挖掘模型，并基于突發(fā)事件網(wǎng)絡(luò)輿情文本信息進(jìn)行模型驗(yàn)證和實(shí)證分析，通過新一代信息技術(shù)輔助應(yīng)急管理智庫把握輿情發(fā)展規(guī)律，從而進(jìn)一步完善數(shù)據(jù)驅(qū)動(dòng)的應(yīng)急管理輿情智庫參與應(yīng)急決策咨詢，提高服務(wù)決策能力。

2? 相關(guān)研究現(xiàn)狀

圍繞突發(fā)事件應(yīng)急管理智庫建設(shè)的相關(guān)研究主要包括兩個(gè)方面。一方面，從應(yīng)急管理智庫的定義與功能展開研究。熊勵(lì)等[3]研究了各領(lǐng)域智庫在可操作性、適用性方面與應(yīng)急管理需求不匹配的現(xiàn)狀，明確了應(yīng)急管理專業(yè)智庫應(yīng)具備較強(qiáng)的專業(yè)性和動(dòng)態(tài)的應(yīng)急性兩大顯著特點(diǎn)；應(yīng)峻等[8]基于應(yīng)急管理智庫的服務(wù)現(xiàn)狀，提出了面向突發(fā)事件專業(yè)領(lǐng)域智庫發(fā)展的服務(wù)模式。另一方面，圍繞政府應(yīng)急管理中的智庫服務(wù)開展研究。面對(duì)新型冠狀病毒的大流行，國內(nèi)學(xué)者積極建設(shè)新型應(yīng)急管理智庫，聚焦科技智庫決策咨詢研究[9]、高校智庫應(yīng)急服務(wù)[10]、政府大數(shù)據(jù)能力模型[11]、疫情預(yù)警指標(biāo)體系構(gòu)建[1]、智庫情報(bào)服務(wù)能力[12]，以及智能情報(bào)決策體系[13]等方面展開研究，為新冠疫情防控做出了重要貢獻(xiàn)。同時(shí)，國內(nèi)外學(xué)者都已經(jīng)關(guān)注到如何將網(wǎng)絡(luò)輿情信息作為重要工具應(yīng)用于應(yīng)急管理的情報(bào)服務(wù)，在突發(fā)事件的監(jiān)測(cè)預(yù)警[14]、應(yīng)急響應(yīng)[15]和應(yīng)急行動(dòng)[16]中同樣起到了重要作用。

在數(shù)據(jù)驅(qū)動(dòng)的輿情研究方面，學(xué)者關(guān)注突發(fā)事件網(wǎng)絡(luò)輿情意識(shí)形態(tài)、社會(huì)熱點(diǎn)與情感機(jī)制等因素，通過多源數(shù)據(jù)分析與實(shí)證模型方法的有機(jī)結(jié)合，分別從情感分析[17]、文本主題挖掘[18]及傳播演化[19]等維度對(duì)網(wǎng)絡(luò)輿情及其特征展開研究。在主題識(shí)別方面，基于潛在狄利克雷分布（Latent Dirichlet Allocation，LDA）的主題識(shí)別模型有助于挖掘網(wǎng)絡(luò)輿情中潛在的主題，例如，通過模糊視角對(duì)短文本進(jìn)行模糊主題建模的優(yōu)化方法[20]，構(gòu)建用戶主題聚類知識(shí)圖譜及主題傳播路徑分析等[21]。在情感識(shí)別方面，基于有監(jiān)督的機(jī)器學(xué)習(xí)方法和無監(jiān)督的情感模型實(shí)現(xiàn)文本情感分類和預(yù)測(cè)的研究是較為主流的分析方法。無論是基于突發(fā)事件案例的微博輿情演化模型[22]，還是基于點(diǎn)互信息和情感詞典的協(xié)同分析[23]，都能為網(wǎng)絡(luò)輿情演化機(jī)制的識(shí)別與治理提供有效方法。

綜上所述，盡管各類智庫研究已經(jīng)在應(yīng)急管理體系發(fā)展中提供了豐富的理論與實(shí)踐支撐，但是面向應(yīng)急管理智庫服務(wù)能力建設(shè)的研究仍然不足，需要結(jié)合數(shù)據(jù)驅(qū)動(dòng)的內(nèi)涵與建設(shè)路徑展開研究[24]。因此，本文結(jié)合新一代信息技術(shù)，基于機(jī)器學(xué)習(xí)方法構(gòu)建輿情分析模型，通過文本數(shù)據(jù)挖掘突發(fā)事件輿情的主題與情感特征，為應(yīng)急管理智庫提供信息挖掘的研究方法，助力應(yīng)急管理智庫提高輿情引導(dǎo)與服務(wù)決策效能。

3? 基于機(jī)器學(xué)習(xí)的突發(fā)事件網(wǎng)絡(luò)輿情信息挖掘模型構(gòu)建

本文構(gòu)建基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)輿情信息挖掘模型，其主要流程如下：首先，應(yīng)急管理智庫需要基于政府決策需求，明確突發(fā)事件網(wǎng)絡(luò)輿情生命周期及其發(fā)展的不同階段；其次，采集多源網(wǎng)絡(luò)輿情數(shù)據(jù)，并為后續(xù)的分析做好數(shù)據(jù)處理與存儲(chǔ)工作；然后，通過構(gòu)建的輿情分析模型以可視化形式完成主題聚類與情感分類，監(jiān)測(cè)生命周期內(nèi)各個(gè)階段的熱點(diǎn)話題與公眾情緒的分布結(jié)構(gòu)與演化規(guī)律，輔助應(yīng)急管理智庫在突發(fā)事件發(fā)揮決策咨詢與輿情引導(dǎo)作用。

3.1? LDA文本識(shí)別模型

網(wǎng)絡(luò)輿情信息具有短文本、非結(jié)構(gòu)化的特征，要對(duì)這類文本進(jìn)行主題聚類研究，最具代表性的機(jī)器學(xué)習(xí)模型為潛在狄利克雷分布[25]。作為無監(jiān)督機(jī)器學(xué)習(xí)模型，LDA模型基于詞袋假設(shè)，構(gòu)建每一文檔為一系列主題的多項(xiàng)分布，并構(gòu)建每一主題為一系列詞的多項(xiàng)式分布[26]，不依靠傳統(tǒng)的詞頻統(tǒng)計(jì)文檔的潛在主題數(shù)。

采用LDA主題模型對(duì)分詞和預(yù)處理后的數(shù)據(jù)進(jìn)行主題識(shí)別與分析。選用Sklearn模塊實(shí)現(xiàn)文本特征提取，生成詞頻向量并返回稀疏矩陣，并基于pyLDAvis工具展示主題聚類的可視化結(jié)果。其中，在確定主題聚類個(gè)數(shù)時(shí)，需要通過計(jì)算困惑度來確定最優(yōu)的分類個(gè)數(shù)。困惑度計(jì)算如公式（1）所示：

其中，w指文檔中的詞語，p（w）指測(cè)試集中每個(gè)詞出現(xiàn)的概率，N測(cè)試集的文檔總數(shù)。困惑度表明了訓(xùn)練的模型對(duì)某一條網(wǎng)絡(luò)輿情內(nèi)容屬于哪個(gè)隱含主題的不確定程度。困惑度越低，表明聚類主題的效果越好，模型越優(yōu)。在該模型中，由于詞袋算法忽略了文本連結(jié)的有序語法，因此獲得通過分詞等方法實(shí)現(xiàn)分割后的無序詞語，并將無序的文本詞語轉(zhuǎn)換為詞頻向量，進(jìn)一步將文檔的主題以概率分布的方式提取。在輿情分析中，網(wǎng)絡(luò)信息主題識(shí)別能將公眾高度討論的話題抽取為詞頻向量再聚類，從而有效、精準(zhǔn)地識(shí)別與事件緊密相關(guān)的網(wǎng)絡(luò)輿情熱點(diǎn)主題。

3.2? DLNB分類模型

文本情感分析的主要研究包括情感的主客觀分析、情感傾向分析、情感喜好分析和多情感分類等內(nèi)容。常用的情感分析方法包括無監(jiān)督的情感詞典方法[27]和有監(jiān)督的樸素貝葉斯等機(jī)器學(xué)習(xí)方法[28]。由于情感詞典依賴細(xì)粒度更精確、情感詞覆蓋率更完善的詞典的構(gòu)建，難以和微博短文本、非規(guī)范性的特性相契合，因此本文選擇樸素貝葉斯方法構(gòu)建情感分析模型。

樸素貝葉斯模型是基于概率論的一種機(jī)器學(xué)習(xí)分類方法，假定樣本的n個(gè)屬性之間相互條件獨(dú)立，定義文檔d=（x1， x2， …， xn）的類別C={C1， C2， …， Cm}，樸素貝葉斯分類模型如公式（2）所示：

其中，c為類別集合中的某一類別，P（c）指每個(gè)類別的先驗(yàn)概率，P（xj|c）表示分類器預(yù)測(cè)樣本xj在類c中發(fā)生的概率。作為情感分類領(lǐng)域應(yīng)用較廣泛的分類器，該模型要求在先驗(yàn)概率的基礎(chǔ)上，將數(shù)據(jù)集歸為n個(gè)標(biāo)簽中后驗(yàn)概率最大的標(biāo)簽。由于傳統(tǒng)的樸素貝葉斯分類算法多用于二分類模型，因此本文構(gòu)建的模型為雙層樸素貝葉斯（Double Layer Naive Bayesian，DLNB）模型，通過對(duì)數(shù)據(jù)集進(jìn)行兩次分類模型的訓(xùn)練，最終得到準(zhǔn)確率、精確率等均有一定提高的模型結(jié)果，過程如圖1所示。DLNB模型的實(shí)現(xiàn)基于兩層樸素貝葉斯模型的分類器完成兩次分類過程，標(biāo)簽為“0”“+1”和“–1”，分別表示中性情感、積極情感與消極情感。首先，輸入的數(shù)據(jù)集通過第1層分類器，經(jīng)過訓(xùn)練的模型將數(shù)據(jù)集歸為兩個(gè)標(biāo)簽中后驗(yàn)概率最大的標(biāo)簽，即分類為有情感傾向和中性情感“0”兩類；其次，第1層分類后的無情感傾向數(shù)據(jù)作為第2層分類器的輸入，通過模型后將剩余文本數(shù)據(jù)歸為“+1”與“–1”兩個(gè)標(biāo)簽中后驗(yàn)概率最大的類別；最后，完成網(wǎng)絡(luò)輿情數(shù)據(jù)集的情感傾向的3個(gè)分類，從而進(jìn)一步分析突發(fā)事件網(wǎng)絡(luò)輿情所反映的公眾情感。

4? 實(shí)證分析

4.1? 數(shù)據(jù)采集及處理

在網(wǎng)絡(luò)輿情事件選擇上，本文基于重大突發(fā)事件特征，結(jié)合新冠病毒奧密克戎變異株在國內(nèi)傳播時(shí)期潛伏期短、傳染性強(qiáng)、傳播速度快的3個(gè)特點(diǎn)，同時(shí)選擇了發(fā)布大量的網(wǎng)絡(luò)輿情內(nèi)容的新浪微博作為數(shù)據(jù)來源。本文獲取的網(wǎng)絡(luò)輿情數(shù)據(jù)均通過Python實(shí)現(xiàn)微博數(shù)據(jù)的自動(dòng)爬取，數(shù)據(jù)采集的時(shí)間范圍為2022年3月1日至2022年5月31日，采集的微博發(fā)布內(nèi)容包括中國新聞網(wǎng)、新華網(wǎng)、中國日?qǐng)?bào)等官方媒體和大量自媒體、獨(dú)立用戶等發(fā)布的內(nèi)容，研究獲取的數(shù)據(jù)包括用戶ID（賬號(hào)）、發(fā)布時(shí)間、轉(zhuǎn)發(fā)數(shù)、評(píng)論數(shù)、點(diǎn)贊數(shù)、定位和正文內(nèi)容等。同時(shí)，本研究為了盡可能地反映真實(shí)經(jīng)歷此次S市疫情的主體所發(fā)布的網(wǎng)絡(luò)信息，僅選擇了定位信息為S市范圍內(nèi)的微博內(nèi)容作為數(shù)據(jù)來源，最終獲得有效數(shù)據(jù)共計(jì)19，337條。

據(jù)百度指數(shù)的統(tǒng)計(jì)數(shù)據(jù)[29]和信息生命周期理論[30]，本輪輿情演化生命周期為2022年3月1日—2022年5月31日，在4月6日達(dá)到搜索指數(shù)的峰值。基于生命周期理論與突發(fā)事件發(fā)展的具體情況，本文劃分的4個(gè)階段如圖2所示。

本文數(shù)據(jù)的困惑度如圖3所示，隨著主題數(shù)量的增加，困惑度總體呈現(xiàn)波動(dòng)下降趨勢(shì)，所對(duì)應(yīng)的最優(yōu)主題個(gè)數(shù)等于7。因此，綜合考慮一致性指標(biāo)和困惑度，確認(rèn)主題間無交集，本文選取潛在的網(wǎng)絡(luò)輿情熱點(diǎn)主題類別個(gè)數(shù)為7。

4.2? 實(shí)驗(yàn)結(jié)果分析

4.2.1? 網(wǎng)絡(luò)輿情信息主題發(fā)現(xiàn)? ? 本文將分別對(duì)信息生命周期內(nèi)潛在主題熱點(diǎn)及其對(duì)應(yīng)的關(guān)鍵詞進(jìn)行主題識(shí)別及分析，并探究隨著突發(fā)事件態(tài)勢(shì)的發(fā)展，公眾關(guān)注主題演變的趨勢(shì)和內(nèi)容。

對(duì)收集到的文本數(shù)據(jù)經(jīng)過預(yù)處理、信息生命周期劃分等準(zhǔn)備工作后，調(diào)用Sklearn庫來構(gòu)建LDA主題模型進(jìn)行主題識(shí)別，設(shè)定隱含的主題數(shù)為7，設(shè)定輸出高頻關(guān)鍵詞TOP30，通過max_df參數(shù)過濾詞頻大于0.8的詞匯，通過min_df參數(shù)過濾出現(xiàn)次數(shù)小于10的詞匯，使得到的結(jié)果更客觀且具有代表性，最后使用pyLDAvis工具實(shí)現(xiàn)可視化展示。LDA模型會(huì)選擇高頻的關(guān)鍵詞來描述每一個(gè)隱含主題，并給出全部主題下的高頻關(guān)鍵詞。經(jīng)過50輪迭代后，形成的結(jié)果如圖4所示。

根據(jù)LDA模型迭代的結(jié)果，分別利用7個(gè)主題的關(guān)鍵詞推斷主題對(duì)應(yīng)的信息，總結(jié)后如表1所示。根據(jù)表1中挖掘的7類主題，可以得出公眾主要關(guān)注的7個(gè)方面，分別概括為社會(huì)生活、防疫措施、物資保障、生活記錄、城市變化、疫情信息及新聞動(dòng)態(tài)。

按照生命周期理論劃分的4個(gè)階段的文本數(shù)量、持續(xù)時(shí)間等，本文對(duì)信息生命周期內(nèi)各階段分別進(jìn)行LDA主題建模，得出各個(gè)階段不同主題占比，如圖5所示。主題2在整個(gè)周期內(nèi)都有非常高的討論度，只在衰退平息期占比第2，僅次于主題4。主題1與主題2隨著突發(fā)事件的進(jìn)展，占比逐漸降低，討論度總體呈現(xiàn)下降趨勢(shì)；主題4反而隨著突發(fā)事件進(jìn)展不斷發(fā)酵，成為后期主導(dǎo)的主題之一。主題3在前期占比不高，在波動(dòng)下降期達(dá)到頂峰，在衰退平息期再次下降；主題7則與此相反，前期的關(guān)注度相對(duì)較高，隨后不斷下降，在波動(dòng)下降期達(dá)到最低后，在衰退平息期又有小幅度升高。主題5和主題6在各階段的占比變化不大，均僅在波動(dòng)下降期有一定程度的下降。

結(jié)合各階段詞頻和主題，最后按照各個(gè)階段的最優(yōu)主題數(shù)，總結(jié)代表性主題，結(jié)果如表2所示。由于網(wǎng)絡(luò)輿情的形成擴(kuò)散期較短，在短時(shí)間內(nèi)呈現(xiàn)出爆發(fā)態(tài)勢(shì)，因此前期的主要話題內(nèi)容圍繞事件早期的突發(fā)性展開。網(wǎng)絡(luò)輿情信息的傳播和討論達(dá)到頂峰后，信息生命周期進(jìn)入了下半階段。在波動(dòng)下降期，生活物資保障是這一階段的代表性主題。最后，在衰退終結(jié)期，隨著突發(fā)事件的趨于平穩(wěn)，此時(shí)主基調(diào)轉(zhuǎn)變了對(duì)事件結(jié)束的期待，生活記錄（主題4）這一類別的主題達(dá)到了最高峰。

4.2.2? 網(wǎng)絡(luò)輿情信息情感分析? ? 對(duì)新浪微博平臺(tái)上以突發(fā)事件輿情話題中采集的文本數(shù)據(jù)進(jìn)行模型訓(xùn)練，基于Sklearn庫來構(gòu)建雙層貝葉斯分類模型，并對(duì)訓(xùn)練集和測(cè)試集做十折交叉驗(yàn)證，經(jīng)過模型分類后得到預(yù)測(cè)的情感值，最后對(duì)信息生命周期內(nèi)情感結(jié)果進(jìn)行分析。

樸素貝葉斯模型屬于有監(jiān)督的機(jī)器學(xué)習(xí)方法，需要在預(yù)先對(duì)樣本數(shù)據(jù)進(jìn)行標(biāo)記的基礎(chǔ)上訓(xùn)練模型。鑒于人工標(biāo)注的過程有一定的主觀判斷，為了盡量得到客觀公正的標(biāo)注數(shù)據(jù)，本文選擇數(shù)據(jù)集約1/2的文本數(shù)據(jù)，由兩人進(jìn)行人工標(biāo)注，完成后存在分歧的文本數(shù)據(jù)占總體的25.46%，選擇保留其中的一致性數(shù)據(jù)，再由百度AI數(shù)據(jù)平臺(tái)[31]完成剩余數(shù)據(jù)標(biāo)注，最終該數(shù)據(jù)集的1/2完成標(biāo)注的文本作為模型的訓(xùn)練集。同時(shí)，為保證分類器的準(zhǔn)確性，需要控制每一層模型數(shù)據(jù)集中不同標(biāo)注類別的情感文本數(shù)量基本相等，最終獲得人工標(biāo)注后的數(shù)據(jù)共6，316條，情感極性分布統(tǒng)計(jì)如圖6所示。

圖6? 情感極性分布統(tǒng)計(jì)

Figure 6? Emotional polarity distribution statistics

以上述規(guī)則得到的數(shù)據(jù)集為最終的訓(xùn)練數(shù)據(jù)，對(duì)DLNB模型進(jìn)行訓(xùn)練，并使用訓(xùn)練后的模型對(duì)全部的文本進(jìn)行情感分類，得到全部數(shù)據(jù)的情感值和情感分類結(jié)果，如表3所示。無情感類別即中性情感類別，在全部文本中占比為29.99%，相對(duì)于消極和積極情感傾向的類別數(shù)量較少；而后者的子類別中，消極情感類別即消極情感傾向文本內(nèi)容類別占比為33.59%，積極情感類別即積極情感傾向文本內(nèi)容類別占比為36.42%。該結(jié)果反映了兩種情感傾向的文本數(shù)量相對(duì)較為平衡，積極情感文本數(shù)量略多于消極情感，中性情感文本數(shù)量則約占總體的1/3。

經(jīng)過訓(xùn)練的雙層樸素貝葉斯分類模型，需要驗(yàn)證其模型預(yù)測(cè)能力，即通過性能指標(biāo)進(jìn)行評(píng)估?；诨煜仃嚳梢缘玫匠Ｓ玫奈谋痉诸愔笜?biāo)，包括準(zhǔn)確率（accuracy）、精確率（precision）、召回率（recall）和F1值（F-measure）等。

為了驗(yàn)證本文構(gòu)建的DLNB情感分析模型的有效性，選取近年國內(nèi)外情感分類研究中常用方法進(jìn)行模型評(píng)價(jià)指標(biāo)的對(duì)比，以驗(yàn)證與說明DLNB模型應(yīng)用在應(yīng)急管理智庫輿情分析中的適用性。通過與非雙層結(jié)構(gòu)的樸素貝葉斯（Naive Bayesian Model，NBM）模型，以及情感分析常用的SnowNLP方法的評(píng)價(jià)指標(biāo)對(duì)比，本文構(gòu)建的模型在各個(gè)驗(yàn)證指標(biāo)均有一定效果的提升，并且全部達(dá)到80%以上（見表4），可以證明DLNB模型在賦能應(yīng)急管理智庫的輿情情感分類方面具有一定的優(yōu)越性。

得到了上述情感分類結(jié)果后，為進(jìn)一步分析相關(guān)網(wǎng)絡(luò)輿情在各個(gè)階段的情感特點(diǎn)，得到本文信息生命周期內(nèi)3種情感傾向占比及分布結(jié)果，如圖7所示?？傮w而言，積極情感和消極情感的占比略大于中性情感，后者在全部數(shù)據(jù)結(jié)果中約占30%，并且隨著突發(fā)事件的發(fā)展，積極情感占比總體呈增長(zhǎng)趨勢(shì)，消極情感占比總體呈下降趨勢(shì)。在形成擴(kuò)散期，積極情感占比較低，不足該階段總體的30%，同時(shí)中性情感和消極情感占比相仿，有較大的輿情基數(shù)。在集中爆發(fā)期，積極情感占比有較大波動(dòng)，在2022年3月20日左右明顯增長(zhǎng)，隨后減少到形成擴(kuò)散期的平均占比水平；消極情感占比較高，最高達(dá)到了當(dāng)日的54.79%；中性情感占比變化幅度較大，消極情感占比波動(dòng)則與積極情感占比波動(dòng)總體一致，此消彼長(zhǎng)。到了波動(dòng)下降期，積極情感占比穩(wěn)步提高，消極情感占比逐漸減少，和中性情感占比基本一致，積極情感占比已經(jīng)達(dá)到40.91%。由于衰退平息期較長(zhǎng)，消極情感內(nèi)容更多被積極情感內(nèi)容取代，積極情感成為主導(dǎo)，在該階段末尾的5月31日，積極情感占比最終達(dá)到61.79%，消極情感占比19.34%，中性情感占比18.87%。

為了進(jìn)一步分析突發(fā)事件全周期內(nèi)的情感分?jǐn)?shù)的變化，對(duì)數(shù)據(jù)降維后得到了基于時(shí)間序列的平均情感值波動(dòng)，如圖8所示。其中，網(wǎng)絡(luò)輿情信息內(nèi)容的情感傾向分布以“0”為基準(zhǔn)線，情感值越接近“0”則情感越接近中性，情感值大于“0”即為積極情感，情感值小于“0”即為消極情感?；跁r(shí)間序列的情感波動(dòng)，可以直觀地呈現(xiàn)信息情感隨著突發(fā)事件發(fā)展的變化情況，以增強(qiáng)數(shù)據(jù)結(jié)果的可讀性?？傮w而言，情感極性較為顯著，前期的情感值以負(fù)值為主，伴隨階段性出現(xiàn)的正面情感，接近生命周期中期時(shí)逐漸偏向基線；而后期的情感值則基本大于0，并且正面的情感值分?jǐn)?shù)波動(dòng)升高。

結(jié)合上述情感分析的實(shí)驗(yàn)結(jié)果，消極情感主要分布在形成擴(kuò)散期和波動(dòng)下降期，積極情感集中在網(wǎng)絡(luò)輿情的衰退平息期，而集中爆發(fā)期的積極情感與消極情感均有較大波動(dòng)，中性情感則在網(wǎng)絡(luò)輿情的開始和結(jié)尾兩部分占比較高，總體波動(dòng)較小。

4.2.3? 主題–情感關(guān)聯(lián)分析與智庫能力建設(shè)? ? 基于突發(fā)事件的特殊性，以及事件發(fā)展的實(shí)際情況，本文按照主題識(shí)別部分劃分的7個(gè)主題類別對(duì)結(jié)果做進(jìn)一步的分類，從而更有針對(duì)性地提出智庫對(duì)網(wǎng)絡(luò)輿情的引導(dǎo)措施。按照主題分類方法，得到網(wǎng)絡(luò)輿情信息情感與主題關(guān)聯(lián)分類結(jié)果如表5所示。

突發(fā)事件網(wǎng)絡(luò)輿情的情感走向總體為積極情感，但仍然有大量消極情感的走向和主題內(nèi)容，應(yīng)急管理智庫需要基于主題與情感演化的特性進(jìn)行合理的輿情研判，推動(dòng)正能量的傳播，以防止負(fù)面內(nèi)容的發(fā)酵?；谥黝}和情感分析的結(jié)果，突發(fā)事件的網(wǎng)絡(luò)輿情演化隨著信息周期的發(fā)展具備3個(gè)特征。

第一，網(wǎng)絡(luò)輿情主題隨著突發(fā)事件發(fā)展具有一定的反復(fù)性。這主要體現(xiàn)在部分主題隨著突發(fā)事件本身發(fā)展，反復(fù)多次引發(fā)輿論。例如，大學(xué)生封校這一主題分別在事件的形成擴(kuò)散期和衰退平息期作為熱點(diǎn)出現(xiàn)。在事件前期，網(wǎng)絡(luò)輿情內(nèi)容圍繞大學(xué)生對(duì)突發(fā)事件的消極判斷和對(duì)校園生活的影響展開；而在事件后期，輿情主題則圍繞大學(xué)生希望得到返鄉(xiāng)和隔離問題上的幫助展開，并且均具有強(qiáng)烈的負(fù)面情感傾向。

第二，網(wǎng)絡(luò)輿情情感在突發(fā)事件的同一主題上出現(xiàn)了明顯的兩極性。這主要體現(xiàn)在相同主題內(nèi)容會(huì)產(chǎn)生兩種不同的情感傾向。例如，形成擴(kuò)散期和波動(dòng)下降期都形成了相似的物資保障主題，并同時(shí)存在積極和消極兩種情感極性。例如，P2-1和P3-1主題主要表達(dá)了居民收到保供物資的感謝，而同一時(shí)期的N2-1和N3-1主題則反映了突發(fā)事件前期和中期的部分區(qū)域存在物資供應(yīng)不平衡的現(xiàn)象。同樣地，網(wǎng)絡(luò)輿情情感也在某些特定主題類別上呈現(xiàn)出同一性。其中，圍繞“生活記錄”的主題展開的話題及評(píng)論以積極情感為主導(dǎo)，圍繞“疫情信息”與“新聞動(dòng)態(tài)”主題展開的話題及評(píng)論基本以中性情感為主導(dǎo)，體現(xiàn)了權(quán)威媒體與官方新聞在突發(fā)事件信息傳達(dá)中的客觀性與科學(xué)性。

第三，網(wǎng)絡(luò)輿情內(nèi)容相較突發(fā)事件的發(fā)展具有一定的滯后性。這主要體現(xiàn)在網(wǎng)絡(luò)輿情形成具有熱度的代表性主題并引發(fā)大量討論時(shí)，相較于討論的事件本身的發(fā)展已經(jīng)存在一定的滯后性。體現(xiàn)滯后性的主題代表是波動(dòng)下降期的NE3-1主題，在這一時(shí)期后期求助信息和負(fù)面事件的傳播引發(fā)了悲觀情緒的散播。事實(shí)上，老人及特困群體的生活需求與健康保障最早在上海2022年4月15日的第154場(chǎng)新冠疫情防控工作新聞發(fā)布會(huì)中被提及，后續(xù)的相關(guān)措施中也強(qiáng)調(diào)了這類人群的托底保障機(jī)制。當(dāng)網(wǎng)絡(luò)輿情引起大量關(guān)注的時(shí)間節(jié)點(diǎn)明顯晚于這一事件的解決時(shí)間時(shí)，更體現(xiàn)突發(fā)事件下的高密度信息在大范圍傳播時(shí)具有滯后性。

基于上述的實(shí)驗(yàn)結(jié)果與分析，面向應(yīng)急管理智庫建設(shè)，針對(duì)突發(fā)事件網(wǎng)絡(luò)輿情主題與情感特征與突發(fā)事件演化的關(guān)聯(lián)性規(guī)律，分別從以下3個(gè)方面總結(jié)網(wǎng)絡(luò)輿情分析對(duì)應(yīng)急管理智庫提高決策咨詢服務(wù)能力的作用。

第一，及時(shí)識(shí)別突發(fā)事件網(wǎng)絡(luò)輿情信息，有助于應(yīng)急管理智庫發(fā)揮應(yīng)急決策咨詢的綜合研判能力。網(wǎng)絡(luò)平臺(tái)發(fā)表并傳播的海量輿情數(shù)據(jù)能反映突發(fā)事件態(tài)勢(shì)發(fā)展、社會(huì)熱點(diǎn)和公眾情緒等應(yīng)急信息要素，也是監(jiān)測(cè)輿情爆發(fā)并開展應(yīng)急管理的重要情報(bào)來源。應(yīng)急管理智庫通過文本挖掘等數(shù)智技術(shù)及時(shí)識(shí)別網(wǎng)絡(luò)輿情信息，能形成更加健全的綜合研判體系，發(fā)揮社會(huì)輿情研判的積極作用。

第二，識(shí)別網(wǎng)絡(luò)輿情熱點(diǎn)主題與情感傾向，有助于應(yīng)急管理智庫參與決策咨詢，發(fā)揮輿情引導(dǎo)能力。網(wǎng)絡(luò)輿情中包含著公眾觀點(diǎn)和情緒表達(dá)的潛在信息，在網(wǎng)絡(luò)的放大效應(yīng)下具有引發(fā)次生輿論事件的復(fù)雜性和廣泛性。應(yīng)急管理智庫通過揭示網(wǎng)絡(luò)輿情信息，能在應(yīng)急決策咨詢中發(fā)揮解讀公共政策并集聚社會(huì)正能量的重要功能，提高引導(dǎo)社會(huì)熱點(diǎn)、疏導(dǎo)公眾情緒的輿論引導(dǎo)能力。

第三，把握網(wǎng)絡(luò)輿情演化規(guī)律，有助于應(yīng)急管理智庫提高決策咨詢服務(wù)的風(fēng)險(xiǎn)監(jiān)測(cè)預(yù)警能力。網(wǎng)絡(luò)輿情傳播與演化有其自身的規(guī)律，輿情風(fēng)險(xiǎn)伴隨著突發(fā)事件生命周期發(fā)展的過程發(fā)生異化。應(yīng)急管理智庫以網(wǎng)絡(luò)輿情信息為切入點(diǎn)，通過信息挖掘方法可以精準(zhǔn)把握輿情演化規(guī)律、掌握突發(fā)事件全生命周期的輿情風(fēng)險(xiǎn)，從而在應(yīng)急決策咨詢服務(wù)中進(jìn)一步提高對(duì)突發(fā)事件的風(fēng)險(xiǎn)監(jiān)測(cè)預(yù)警能力。

5? 結(jié)語

突發(fā)事件的輿情傳播為網(wǎng)絡(luò)安全、信息安全的治理目標(biāo)帶來了新的挑戰(zhàn)，也對(duì)應(yīng)急管理智庫發(fā)揮咨政建言功能、加強(qiáng)輿論治理能力提出了新的要求。網(wǎng)絡(luò)輿情在突發(fā)事件中的傳播和擴(kuò)散，體現(xiàn)了公眾對(duì)現(xiàn)實(shí)事件的實(shí)時(shí)訴求，是關(guān)系民眾切身利益的現(xiàn)實(shí)問題，因此具有敏感性和煽動(dòng)性，容易隨著傳播范圍和熱度的擴(kuò)大出現(xiàn)極端情況。突發(fā)公共事件網(wǎng)絡(luò)輿情的生成和發(fā)展需要依托一定的話題載體，也會(huì)呈現(xiàn)出對(duì)應(yīng)的情感傾向，對(duì)應(yīng)急管理中的輿情研判至關(guān)重要。

本文基于應(yīng)急管理智庫輿情引導(dǎo)，提出了一種融合LDA主題類別發(fā)現(xiàn)與DLNB情感特征分析的模型。研究表明，積極情感主要聚集在生活記錄和城市變化兩類主題，消極情感主要聚集于防疫措施和物資保障兩類主題。同時(shí)，突發(fā)事件網(wǎng)絡(luò)輿情信息的演化隨著信息周期的發(fā)展具備3個(gè)特征：一是網(wǎng)絡(luò)信息主題隨著輿情周期發(fā)展具有一定的反復(fù)性，二是網(wǎng)絡(luò)信息情感在同一主題上出現(xiàn)了明顯的兩極性，三是網(wǎng)絡(luò)輿情內(nèi)容相較突發(fā)事件發(fā)展具有一定的滯后性?；诖?，本文針對(duì)應(yīng)急管理智庫建設(shè)，總結(jié)網(wǎng)絡(luò)輿情治理對(duì)應(yīng)急管理智庫提高決策咨詢服務(wù)能力的重要性。

總體而言，突發(fā)公共事件的輿情的態(tài)勢(shì)發(fā)展會(huì)隨著事件自身的發(fā)展和推進(jìn)產(chǎn)生相應(yīng)的演化路徑，輿情生命周期內(nèi)的關(guān)鍵典型主題與情感傾向是智庫進(jìn)行研判與干預(yù)的重要特征。而應(yīng)急管理智庫需要把握其演化發(fā)展規(guī)律，充分發(fā)揮自身專家資源與數(shù)據(jù)情報(bào)資源優(yōu)勢(shì)。本文的局限性為：①面向應(yīng)急管理智庫提出信息挖掘的模型與方法，未能深入揭示網(wǎng)絡(luò)輿情數(shù)據(jù)在應(yīng)急管理決策服務(wù)中的耦合機(jī)制；②實(shí)證研究的數(shù)據(jù)構(gòu)成不夠廣泛。在未來的研究中，將進(jìn)一步探討數(shù)據(jù)驅(qū)動(dòng)的應(yīng)急管理智庫的實(shí)現(xiàn)機(jī)制，并通過更豐富的多源異構(gòu)數(shù)據(jù)完善數(shù)據(jù)支撐。

參考文獻(xiàn)：

[1] 中共中央辦公廳、國務(wù)院辦公廳印發(fā)《關(guān)于加強(qiáng)中國特色新型智庫建設(shè)的意見[EB/OL]. [2023-01-20]. https：//www.gov.cn/xinwen/2015-01/20/content_2807126.htm.

Xinhua News Agency. The General Office of the Central Committee of the Communist Party of China and the General Office of the State Council issued the “Opinions on strengthening the construction of new think tanks with Chinese characteristics”[EB/OL]. [2023-01-20]. https：//www.gov.cn/xinwen/2015-01/20/content_2807126.htm.

[2] 于志榮. 政府應(yīng)急管理中的智庫作用研究[D]. 長(zhǎng)沙： 國防科技大學(xué)， 2017： 9-11.

YU Z R. Research on the role of think tanks in the government emergency management[D]. Changsha： National University of Defense Technology， 2017： 9-11.

[3] 熊勵(lì)， 郭佳璐. 面向應(yīng)急管理專業(yè)智庫建設(shè)的疫情預(yù)警指標(biāo)體系構(gòu)建研究[J]. 智庫理論與實(shí)踐， 2021， 6（4）： 34-42.

XIONG L， GUO J L. Research on the establishment of an epidemic warning index system for the emergency management professional think tanks construction[J]. Think Tank： Theory & Practice， 2021， 6（4）： 34-42.

[4] 劉怡君， 蔣文靜. 社會(huì)轉(zhuǎn)型期我國新興輿情風(fēng)險(xiǎn)及對(duì)策研究[J]. 智庫理論與實(shí)踐， 2017， 2（6）： 82-88.

LIU Y J， JIANG W J. Study of emerging risks of the network public opinion and countermeasures of the supervision under the context of the social transformation[J]. Think Tank： Theory & Practice， 2017， 2（6）： 82-88.

[5] 張?bào)銟s， 郭圳凝. 突發(fā)公共衛(wèi)生事件網(wǎng)絡(luò)輿情危機(jī)及其治理[J]. 北京交通大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版）， 2023， 22（2）： 133-140.

ZHANG X R， GUO Z N. Network public opinion crisis and its governance in public health emergencies[J]. Journal of Beijing Jiaotong University（Social Sciences Edition）， 2023， 22（2）： 133-140.

[6] 黃仕靖， 吳川徽， 袁勤儉， 等. 基于情感分析的突發(fā)事件輿情時(shí)空演化差異研究[J]. 情報(bào)科學(xué)， 2022， 40（6）： 149-159.

HUANG S J， WU C H， YUAN Q J， et al. Spatiotemporal evolution of public opinion in public health emergencies based on sentiment analysis[J]. Information Science， 2022， 40（6）： 149-159.

[7] 李倩倩， 劉怡君， 馬寧， 等. 基于智庫雙螺旋法的輿情治理與智庫研究[J]. 中國科學(xué)院院刊， 2022， 37（6）： 773-782.

LI Q Q， LIU Y J， MA N， et al. Public Opinion Governance and Think Tank Research Based on Think Tank Double Helix Methodology[J]. Think Tank： Theory & Practice， 2022， 37（6）： 773-782.

[8] 應(yīng)峻， 王鈺琛， 王森， 等. 面向重大公共衛(wèi)生事件的智庫服務(wù)現(xiàn)狀及發(fā)展建議[J]. 圖書情報(bào)工作， 2022， 66（4）： 3-13.

YING J， WANG Y C， WANG S， et al. Current status and development suggestions of think tank services for major public health emergencies[J]. Library and Information Service， 2022， 66（4）： 3-13.

[9] 王柏村， 陳磊， 延建林， 等. 科技智庫助力抗擊新冠疫情的進(jìn)展、啟示與建議[J]. 科技管理研究， 2020， 40（16）： 260-266.

WANG B C， CHEN L， YAN J L， et al. Progress， enlightenment and suggestions of science & technology think tank fighting against COVID-19 epidemic[J]. Science and Technology Management Research， 2020， 40（16）： 260-266.

[10] 胡菲菲， 解志韜， 凌宏發(fā). 公共危機(jī)管理視角下的高校智庫應(yīng)急服務(wù)研究[J].智庫理論與實(shí)踐， 2021， 6（1）： 65-70.

HU F F， XIE Z T， LING H F. Research on Emergency Services of University Think Tanks from the Perspective of Public Crisis Management[J]. Think Tank： Theory & Practice， 2021， 6（1）： 65-70.

[11] 蔣勛， 朱曉峰. 基于政府大數(shù)據(jù)能力建構(gòu)的智庫應(yīng)急情報(bào)服務(wù)： 以新冠疫情防控為例[J]. 圖書與情報(bào)， 2020（1）： 64-74.

JIANG X， ZHU X F. Emergency intelligence service of think tanks based on the construction of government big data capability： Taking prevention of COVID-19 for example[J]. Library & Information， 2020（1）： 64-74.

[12] 韓瑋， 許靜斯， 劉國佳， 等. 情報(bào)流程視角下智庫應(yīng)急情報(bào)能力及服務(wù)模式研究[J].情報(bào)理論與實(shí)踐， 2021， 44（8）： 14-21.

HAN W， XU J S， LIU G J， et al. Research on the construction of think tank emergency intelligence capability and service mode from the perspective of intelligence process[J]. Information Studies： Theory＆Application， 2021， 44（8）： 14-21.

[13] 張海濤， 欒宇， 周紅磊， 等. 總體國家安全觀下重大突發(fā)事件的智能決策情報(bào)體系研究[J]. 情報(bào)學(xué)報(bào)， 2022， 41（11）： 1174-1187.

ZHANG H T， LUAN Y， ZHOU H L， et al. Intelligent decision-making information system for major emergencies： A holistic approach to national security[J]. Journal of the China Society for Scientific and Technical Information， 2022， 41（11）： 1174-1187

[14] 連芷萱， 連增水， 張秋波， 等. 面向突發(fā)事件的網(wǎng)絡(luò)衍生輿情預(yù)警模型與實(shí)證研究[J]. 情報(bào)雜志， 2019， 38（3）： 133-140.

LIAN Z X， LIAN Z S， ZHANG Q B， et al. Derived network early warning model of public opinion and its empirical research[J]. Journal of Intelligence， 2019， 38（3）： 133-140.

[15] REXILINE R J， RUBESH A P M， BHASKAR V. Mining crisis information： A strategic approach for detection of people at risk through social media analysis[J]. International Journal of Disaster Risk Reduction， 2018（27）： 556-566.

[16] 吳雪華， 毛進(jìn)， 陳思菁， 等. 突發(fā)事件應(yīng)急行動(dòng)支撐信息的自動(dòng)識(shí)別與分類研究[J]. 情報(bào)學(xué)報(bào)， 2021， 40（8）： 817-830.

WU X H， MAO J， CHEN S J， et al. Research on automatic identification and classification of actionable information in emergencies[J]. Journal of the China Society for Scientific and Technical Information， 2021， 40（8）： 817-830.

[17] 吳鵬， 李婷， 仝沖， 等. 基于OCC模型和LSTM模型的財(cái)經(jīng)微博文本情感分類研究[J]. 情報(bào)學(xué)報(bào)， 2020， 39（1）： 81-89.

WU P， LI T， TONG C， et al. Sentiment classification of financial microblog text based on the model of OCC and LSTM[J]. Journal of the China Society for Scientific and Technical Information， 2020， 39（1）： 81-89.

[18] 廖海涵， 王曰芬， 關(guān)鵬. 微博輿情傳播周期中不同傳播者的主題挖掘與觀點(diǎn)識(shí)別[J]. 圖書情報(bào)工作， 2018， 62（19）： 77-85.

LIAO H H， WANG Y F， GUAN P. Topic mining and viewpoint recognition of different communicators in the transmission cycle of micro-blog public opinion[J]. Library and Information Service， 2018， 62（19）： 77-85.

[19] 安璐， 吳林. 融合主題與情感特征的突發(fā)事件微博輿情演化分析[J]. 圖書情報(bào)工作， 2017， 61（15）： 120-129.

AN L， WU L. An integrated analysis of topical and emotional evolution of microblog public opinions on public emergencies[J]. Library and Information Service， 2017， 61（15）： 120-129.

[20] RASHID J， SHAH S M A， IRTAZA A. Fuzzy topic modeling approach for text mining over short text[J]. Information Processing & Management， 2019， 56（6）： 296-300.

[21] 張柳， 王晰巍， 黃博， 等. 基于LDA模型的新冠肺炎疫情微博用戶主題聚類圖譜及主題傳播路徑研究[J]. 情報(bào)學(xué)報(bào)， 2021， 40（3）： 234-244.

ZHANG L， WANG X W， HUANG B， et al. Research on the topic clustering graph and the transmission path of micro-blogging users amid COVID-19： Based on the LDA model[J]. Journal of the China Society for Scientific and Technical Information， 2021， 40（3）： 234-244.

[22] 任中杰， 張鵬， 李思成， 等. 基于微博數(shù)據(jù)挖掘的突發(fā)事件情感態(tài)勢(shì)演化分析： 以天津8·12事故為例[J]. 情報(bào)雜志， 2019， 38（2）： 140-148.

REN Z J， ZHANG P， LI S C， et al. Analysis of emotion evolution of emergencies based on Weibo data mining： Taking “8·12 accident in Tianjin” as an example[J]. Journal of Intelligence， 2019， 38（2）： 140-148.

[23] 朱曉霞， 宋嘉欣， 孟建芳. 基于動(dòng)態(tài)主題—情感演化模型的網(wǎng)絡(luò)輿情信息分析[J]. 情報(bào)科學(xué)， 2019， 37（7）： 72-78.

ZHU X X， SONG J X， MENG J F. Analysis of online public opinion information based on the dynamic themeemotion evolution model[J]. Information Science， 2019， 37（7）： 72-78.

[24] 歐陽劍， 周裕浩. 數(shù)據(jù)驅(qū)動(dòng)型智庫研究理念及建設(shè)路徑[J]. 智庫理論與實(shí)踐， 2021， 6（3）： 20-27.

OUYANG J， ZHOU Y H. Research on path of the construction of data-driven characteristic think tank in China[J]. Think Tank： Theory & Practice， 2021， 6（3）： 20-27.

[25] BLEI D M， NG A Y， JORDAN M I. Latent dirichlet allocation[J]. Journal of machine Learning research， 2003（3）： 993-1022.

[26] PAVLINEK M， PODGORELEC V. Text classification method based on self-training and LDA topic models[J]. Expert Systems with Applications， 2017， 80（C）： 83-93.

[27] 趙妍妍， 秦兵， 石秋慧， 等. 大規(guī)模情感詞典的構(gòu)建及其在情感分類中的應(yīng)用[J]. 中文信息學(xué)報(bào)， 2017， 31（2）： 187-193.

ZHAO Y Y， QIN B， SHI Q H， et al. Large-scale sentiment lexicon collection and its application in sentiment classification[J]. Journal of Chinese Information Processing， 2017， 31（2）： 187-193.

[28] PANG B， LEE L， VAITHYANATHAN S. Thumbs up？： sentiment classification using machine learning techniques[C]. Proceedings of the ACL-02 Conference on Empirical Methods in Natural Language Processing - Volume 10. 2002： 79-86.

[29] 百度指數(shù)[EB/OL]. [2022-12-15]. https：//index.baidu.com/ v2/index.html#/.

Baidu Index[EB/OL]. [2022-12-15]. https：//index.baidu.com/v2/index.html#/.

[30] 賈亞敏， 安璐， 李綱. 城市突發(fā)事件網(wǎng)絡(luò)信息傳播時(shí)序變化規(guī)律研究[J]. 情報(bào)雜志， 2015， 34（4）： 91-96.

JIA Y M， AN L， LI G. On the online information dissemination pattern of city emergencies[J]. Journal of Intelligence， 2015， 34（4）： 91-96.

[31] EasyData智能數(shù)據(jù)服務(wù)平臺(tái)[EB/OL]. [2022-12-15]. https：//ai.baidu.com/easydata/.

EasyData Intelligent Data Service Platform[EB/OL]. [2022-12-15]. https：//ai.baidu.com/easydata/.

作者貢獻(xiàn)說明：

熊? 勵(lì)：確定研究思路，指導(dǎo)實(shí)驗(yàn)，提出論文框架，指導(dǎo)論文修改；

陸夢(mèng)園：完成實(shí)驗(yàn)，撰寫與修改論文；

王? 錕：修改論文。

Research on Emergency Management Think Tank Decision-making Based on LDA-DLNB Online Public Opinion Recognition

Xiong Li? Lu Mengyuan? Wang Kun

School of Management， Shanghai University， Shanghai? 200444

Abstract： [Purpose/Significance] Network public opinion information has a significant communication influence in emergency response. Improving public opinion guidance is one of the important functions of new think tanks with Chinese characteristics， and effectively identifying network public opinion is the key for emergency management think tanks to enhance their comprehensive research and judgment abilities. [Method/Process] From the perspective of constructing emergency management think tanks， this paper focuses on identifying potential key hotspots and emotional structures in network public opinion information related to emergencies. It constructs the LDA-LDNB network public opinion information mining model using the machine learning method， and conducts model validation and empirical analysis based on the textual information from network public opinion regarding emergencies. [Result/Conclusion] The results demonstrate that the model constructed in this paper can effectively identify the themes， emotions and evolutionary features of network public opinion information during emergencies， provide methods and decision-making support for emergency management think tanks to improve their ability to participate in network public opinion research and judgment for emergency management decision-making services， and offer a new way of thinking for constructing a data-driven emergency management think tank.

Keywords： emergency management? ? think tank? ? critical incident? ? online public opinion? ? text analysis

收稿日期：2023-08-28? ? ? 修回日期：2023-11-02